پیش بینی خشکسالی عنصر ضروری برای ریسک خشکسالی و مدیریت منابع آب پایدار است. با توجه به افزایش تقاضای آب و ایجاد تغییرات آب و هوایی، مدل های پیش بینی دقیق خشکسالی اخیرا توجه زیادی دریافت کرده اند. این مطالعه با بحث های کوتاه درباره مدل های پیش بینی خشکسالی های مختلف شروع می شود، سپس آن مدل موجک ژن ترکیبی جدید، یعنی برنامه ریزی ژنتیک خطی موجک (WLGP)، برای پیش بینی طولانی زمان-فرآوری خشکسالی ارائه می دهد. ایده WLGP تشخیص و بهینه سازی تعداد نوارهای طیفی قابل توجهی از پیش بینی کننده ها به منظور پیشگویی پیش بینی های اصلی (شاخص خشکسالی) به طور مستقیم می باشد. با استفاده از شاخص نوسان ال نئو-جنوبی (شاخص NINO 3.4 ) و شاخص خشکسالی اصلاحی پالمر (PMDI) همانند پیش بینی کننده و PMDI آینده پیش بینی شد و ما مدل WLGP برای پیش بینی شرایط خشکسالی در ایالت تگزاس با زمانهای فرآوری ۳، ۶ و ۱۲ ماهه را پیشنهاد می کنیم. ما کارایی مدل را با مدل های برنامه ریزی ژنتیک خطی سنتی توسعه یافته در این مطالعه مقایسه کردیم، مدل های پیش بینی خشکسالی موجک عصبی (WANN) و موجک فازی (WFL) قبلا در پیشینه تحقیق مربوطه ارائه شده است. نتایج ما نشان داد که مدل برنامه نویسی ژنتیک خطی کلاسیک قادر به یادگیری غیر خطی بودن پدیده خشکسالی در زمان های فرآوری بیش از ۳ ماه نیستند؛ به هر حال، WLGP می تواند به طور موثر برای پیش بینی شرایط خشکسالی با زمانهای فرآوری ۳، ۶، و ۱۲ ماهه مورد استفاده قرار گیرد. تجزیه و تحلیل حساسیت مبتنی بر ژنتیک در میان نوارهای طیفی ورودی نشان داد که شاخص NINO 3.4 دارای اثرات شدیدی در پیش بینی خشکسالی منطقه مورد مطالعه با زمان های فرآوری ۶-۱۲ ماهه می باشد.

Drought forecasting is an essential ingredient for drought risk and sustainable water resources management. Due to increasing water demand and looming climate change, precise drought forecasting models have recently been receiving much attention. Beginning with a brief discussion of different drought forecasting models, this study presents a new hybrid gene–wavelet model, namely wavelet–linear genetic programing (WLGP), for long lead-time drought forecasting. The idea of WLGP is to detect and optimize the number of significant spectral bands of predictors in order to forecast the original predictand (drought index) directly. Using the observed El Niño–Southern Oscillation indicator (NINO 3.4 index) and Palmer’s modified drought index (PMDI) as predictors and future PMDI as predictand, we proposed the WLGP model to forecast drought conditions in the State of Texas with 3, 6, and 12-month lead times. We compared the efficiency of the model with those of a classic linear genetic programing model developed in this study, a neuro-wavelet (WANN), and a fuzzy-wavelet (WFL) drought forecasting models formerly presented in the relevant literature. Our results demonstrated that the classic linear genetic programing model is unable to learn the non-linearity of drought phenomenon in the lead times longer than 3 months; however, the WLGP can be effectively used to forecast drought conditions having 3, 6, and 12-month lead times. Genetic-based sensitivity analysis among the input spectral bands showed that NINO 3.4 index has strong potential effect in drought forecasting of the study area with 6–۱۲-month lead times.